Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/线性代数-第5讲-特征值与特征向量/07-点6-对角化的应用.md
T
Yimu 41b36b2b3c 线代第4-6讲补全:线性方程组43题、特征值35题、二次型30题(知识点带题+题级链接)
- 第4讲 线性方程组:8 个点分册 43 题,旧版题点分离整目录归档到 旧版-题点分离/
- 第5讲 特征值与特征向量:7 个点分册 35 题
- 第6讲 二次型:7 个点分册 30 题(含合同与相似、二次曲面两节)
- 每讲 01-知识点盘点 + 10 个文件 + 速查卡回查表,全部题目级双向链接
- gen_crosslinks.py 新增:由题目标题单一数据源生成关联行/盘点§0.4/速查回查表
- fix_gitea_math.py 支持 --scope 指向目录(新建未跟踪文件也能修)
- 校验:184-248 条内部链接 0 异常,公式 0 处待修,单文件均 <1.3 万字符
2026-10-24 16:38:01 +08:00

10 KiB
Raw Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
数学一
在学练习
线性代数
特征值
矩阵幂
应用
线性代数 第5讲 · 点6 对角化的应用 2026-10-24 知识点带题(6.1 求矩阵幂、6.2 算行列式与秩,4 题)
README
01-知识点盘点

点 6 对角化的应用

真题锚点:2017·20(解答 11 分)|重要度 ★★★ 依赖:点 3 的对角化。盘点对应:§6 全节。

组织原则:先列知识点(求幂 → 算行列式与秩),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。

知识点 6.1 用对角化求矩阵幂(出处:知识章 similar.tex §9)

若 A=P\Lambda P^{-1} ,则

A^{m}=P\Lambda^{m}P^{-1}=P\,\mathrm{diag}(\lambda_1^m,\dots,\lambda_n^m)\,P^{-1}.

四步:特征值与特征向量 \to 拼 P 与 \Lambda \to 求 P^{-1} \to 三矩阵相乘。

P^{-1} 速算:二阶用 \dfrac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix} ;尽量让 P 的列为整数且 \lvert P\rvert=\pm1 ,则 P^{-1} 也是整数阵。

特殊结构捷径:若 A=aI+bJ (J 为全 1 矩阵),则 J^k=n^{k-1}J ,故

A^{m}=a^{m}E+\frac{(a+nb)^{m}-a^{m}}{n}J .

知识点 6.2 用特征值算行列式与秩(出处:知识章 similar.tex §9)

\lvert A\rvert=\prod\lambda_i,\qquad\lvert f(A)\rvert=\prod f(\lambda_i).

秩的公式要看条件:

r(A)=\text{非零特征值的个数}\qquad(\text{仅当}\ A\ \text{可对角化}).

更一般的写法:r(A)=n-\dim N(A)=n-\#\{ 属于 0 的线性无关特征向量\} ,这个式子无条件成立。

反例警示:\begin{pmatrix}0&1\\0&0\end{pmatrix} 特征值全为 0,但秩为 1,不可对角化。


题目(按知识点顺序对应)

题 1 · 6.1:二阶求 A^n (★★☆)

设 A=\begin{pmatrix}1&2\\0&3\end{pmatrix} ,求 A^{n} (n 为正整数)。

怎么想:上三角,特征值直接读 1,3 ,互异故可对角化。求两个特征向量拼 P ,再套公式。最后用 n=1 回代自查——这一步能抓住 90% 的算错。

解:

第 1 步:特征值与特征向量。 \lambda_1=1,\ \lambda_2=3 。

\lambda_1=1 :E-A=\begin{pmatrix}0&-2\\0&-2\end{pmatrix} ,得 x_2=0 ,\xi_1=(1,0)^{\mathrm T} 。 \lambda_2=3 :3E-A=\begin{pmatrix}2&-2\\0&0\end{pmatrix} ,得 x_1=x_2 ,\xi_2=(1,1)^{\mathrm T} 。

第 2 步:拼 P 与 \Lambda 。

P=\begin{pmatrix}1&1\\0&1\end{pmatrix},\qquad\Lambda=\begin{pmatrix}1&0\\0&3\end{pmatrix},\qquad P^{-1}=\begin{pmatrix}1&-1\\0&1\end{pmatrix}.

第 3 步:套公式。

A^{n}=P\Lambda^{n}P^{-1}=\begin{pmatrix}1&1\\0&1\end{pmatrix}\begin{pmatrix}1&0\\0&3^{n}\end{pmatrix}\begin{pmatrix}1&-1\\0&1\end{pmatrix} =\begin{pmatrix}1&3^{n}\\0&3^{n}\end{pmatrix}\begin{pmatrix}1&-1\\0&1\end{pmatrix}=\begin{pmatrix}1&3^{n}-1\\0&3^{n}\end{pmatrix}.

验算:n=1 时 \begin{pmatrix}1&2\\0&3\end{pmatrix}=A ✓;n=2 时 \begin{pmatrix}1&8\\0&9\end{pmatrix} ,而 A^2=\begin{pmatrix}1&2\\0&3\end{pmatrix}^2=\begin{pmatrix}1&2+6\\0&9\end{pmatrix}=\begin{pmatrix}1&8\\0&9\end{pmatrix} ✓。

带走结论:用 n=1 和 n=2 双验。A^n 的答案里若出现 3^n-1 这种结构,说明特征值含 1(不动方向)——从右上角非零可知 A\ne E ,合理。

关联 · 盘点 §6.1 用对角化求矩阵幂 | 上游 — | 下游 点 6 题 2 | 速查 十 求矩阵幂


题 2 · 6.1:全 1 矩阵结构的快速求幂(★★★)

【2017·20 变体】设 A=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix} ,求 A^{n} 。

怎么想:识别结构 A=E+J (J 为全 1 矩阵)。J 的秩为 1、特征值 3,0,0 ,故 J^k=3^{k-1}J ,二项式展开即可。不要走"求 P 、求 P^{-1} 、三个矩阵相乘"的老路——三阶算下来极易出错。

解:

第 1 步:识别结构。 A=E+J ,其中 J=\begin{pmatrix}1&1&1\\1&1&1\\1&1&1\end{pmatrix} 。

第 2 步:J 的幂。 J 的每一列都是 (1,1,1)^{\mathrm T} ,故 J^2=3J ,归纳得

J^{k}=3^{k-1}J\qquad(k\geqslant1).

第 3 步:二项式展开。 E 与 J 可交换,故

A^{n}=(E+J)^{n}=\sum_{k=0}^{n}\binom{n}{k}J^{k}=E+\Big(\sum_{k=1}^{n}\binom{n}{k}3^{k-1}\Big)J .

而

\sum_{k=1}^{n}\binom{n}{k}3^{k-1}=\frac13\Big(\sum_{k=1}^{n}\binom{n}{k}3^{k}\Big)=\frac{(1+3)^{n}-1}{3}=\frac{4^{n}-1}{3}.

故

A^{n}=E+\frac{4^{n}-1}{3}J .

验算:n=1 时 E+\frac{3}{3}J=E+J=A ✓;n=2 时 E+\frac{15}{3}J=E+5J=\begin{pmatrix}6&5&5\\5&6&5\\5&5&6\end{pmatrix} ,而 A^2=(E+J)^2=E+2J+J^2=E+2J+3J=E+5J ✓。

带走结论:看到 aI+bJ 结构就走二项式,不走对角化。J^k=n^{k-1}J 这条要背下来——它是"秩 1 矩阵"的通用性质(J=\mathbf{1}\mathbf{1}^{\mathrm T} ,故 J^k=\mathbf{1}(\mathbf{1}^{\mathrm T}\mathbf{1})^{k-1}\mathbf{1}^{\mathrm T}=n^{k-1}J )。

关联 · 盘点 §6.1 用对角化求矩阵幂 | 上游 点 6 题 1 | 下游 — | 速查 十 求矩阵幂


题 3 · 6.2:特征值算行列式与秩(★★☆)

设 A 为三阶矩阵,特征值为 2,2,0 ,且 A 可对角化。求:

(Ⅰ)\lvert A\rvert ;(Ⅱ)r(A) ;(Ⅲ)r(A^{*}) ;(Ⅳ)\lvert A^{*}+E\rvert 。

怎么想:四问全部由特征值回答,但(Ⅲ)要用伴随矩阵的秩公式(第 2 讲),(Ⅳ)要先用 r(A^{*})=1 判"A^{*} 不可逆"。

解:(Ⅰ)\lvert A\rvert=2\times2\times0=0 。

(Ⅱ)A 可对角化,故 r(A)= 非零特征值个数 =2 。(也可由 A\sim\mathrm{diag}(2,2,0) 直接读秩。)

(Ⅲ)r(A)=2=n-1 ,由伴随矩阵的秩公式 r(A^{*})=1 。

(Ⅳ)注意 A 不可逆(有零特征值),公式 \lvert A\rvert/\lambda 在 \lambda=0 处失效,不能用它算 A^{*} 的特征值。

改从伴随矩阵与对角化的一致性走:A=P\Lambda P^{-1} 时 A^{*}=P\Lambda^{*}P^{-1} ,其中 \Lambda=\mathrm{diag}(2,2,0) 的伴随为

\Lambda^{*}=\mathrm{diag}\big(2\times0,\ 2\times0,\ 2\times2\big)=\mathrm{diag}(0,0,4)

(对角阵的伴随仍是"其余对角元之积")。于是 A^{*}+E=P(\Lambda^{*}+E)P^{-1} ,特征值为 0+1,0+1,4+1=1,1,5 ,

\lvert A^{*}+E\rvert=1\times1\times5=5 .

验算:直接取 A=\mathrm{diag}(2,2,0) (相似不改行列式),则 A^{*}+E=\mathrm{diag}(1,1,5) ,行列式 5 ✓。

带走结论:A 不可逆时 A^{*} 的特征值要用"其余对角元之积"算。最稳的办法是先把 A 化成对角阵(相似变换保持 A^{*} 的相似关系),对角阵的伴随直接读。

带走结论:**A 不可逆时 A^{*} 的特征值要用"两两乘积"算,不能套 \lvert A\rvert/\lambda ** 。最稳的办法是直接把 A 化成对角阵再算 A^{*} (对角阵的伴随也是对角阵,元素是其余对角元之积)。

关联 · 盘点 §6.2 用特征值算行列式与秩 | 上游 — | 下游 点 6 题 4 | 速查 十一 四处最容易丢分


题 4 · 6.2:秩与特征值的联手(★★★)

【2017·20 骨架】设 A 为三阶矩阵,r(A)=2 ,\operatorname{tr}(A)=4 ,且 A 有两个相等的特征值。求:

(Ⅰ)A 的全部特征值; (Ⅱ)r(A^{*}) ; (Ⅲ)判断 Ax=0 的基础解系含几个向量,并说明 A^{*}x=0 与 Ax=0 是否同解。

怎么想:r(A)=2<n 说明 \lvert A\rvert=0 ,必有一个零特征值。剩下两个由"有两个相等特征值"与迹定出。第(Ⅲ)问把第 4 讲的维数与第 2 讲的伴随秩串起来。

解:

(Ⅰ) r(A)=2<3 故 \lvert A\rvert=0 ,即至少一个特征值为 0。

设三个特征值为 \lambda,\lambda,0 ("有两个相等"且已有一个 0;若三个都相等则 \lambda=\lambda=\lambda 且其一为 0,即全为 0,此时 \operatorname{tr}A=0\ne4 ,排除)。

由迹:\lambda+\lambda+0=4\Rightarrow\lambda=2 。

故特征值为 2,2,0 。

(Ⅱ) r(A)=2=n-1 ,由伴随矩阵秩公式

r(A^{*})=1 .

(Ⅲ) Ax=0 的基础解系含 n-r(A)=3-2=1 个向量。

A^{*}x=0 的基础解系含 n-r(A^{*})=3-1=2 个向量。两者维数不同(1 与 2),故不同解。

(更强的结论:r(A)=n-1 时,A^{*} 的非零列是 Ax=0 的基础解系,故 N(A)\subsetneq N(A^{*}) ,见第 4 讲点 8 题 5。)

验算:取 A=\mathrm{diag}(2,2,0) ,r(A)=2 、\operatorname{tr}A=4 ✓,特征值 2,2,0 ✓;A^{*}=\mathrm{diag}(0,0,4) ,r(A^{*})=1 ✓;A^{*}x=0 即 4x_3=0 ,解空间 2 维 ✓。

带走结论:"r(A)=n-1 "是伴随矩阵题的发令枪——它同时给出 r(A^{*})=1 、\lvert A\rvert=0 、N(A) 一维三件事。看到这个条件就该把第 2 讲的秩公式和第 4 讲的维数一起调出来。

关联 · 盘点 §6.2 用特征值算行列式与秩 | 上游 点 6 题 3 | 下游 — | 速查 十一 四处最容易丢分